Pytorch学习（十六）----获取网络的任意一层的输出

其实一般来说，如果一个net中，是一个Sequential直接包起来，首先直接print（net ）即可，然后看到类似：

    (net1): Sequential(
      (0): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(2, 2), dilation=(2, 2))
      (1): ReLU()
      (2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(2, 2), dilation=(2, 2))
      (3): ReLU()
      (4): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(2, 2), dilation=(2, 2))
      (5): ReLU()
      (6): Conv2d(512, 256, kernel_size=(3, 3), stride=(1, 1), padding=(2, 2), dilation=(2, 2))
      (7): ReLU()
      (8): Conv2d(256, 128, kernel_size=(3, 3), stride=(1, 1), padding=(2, 2), dilation=(2, 2))
      (9): ReLU()
      (10): Conv2d(128, 64, kernel_size=(3, 3), stride=(1, 1), padding=(2, 2), dilation=(2, 2))
      (11): ReLU()
      (12): Conv2d(64, 1, kernel_size=(1, 1), stride=(1, 1))
    )

其中 net1是属性，在定义net的时候，net1用sequential定义了。我们想要拿到net1的第三层层直接 net.net1[2], 因为net1是一个list, 因此这里用[2].

另外一种思路就是，用过个sequential来弄：

比如：

import torch
from torch.autograd import Variable
import torch.nn

class my_net(nn.Module):
    def __init__(self):
        super(my_net, self).__init__()
        self.features1 = torch.nn.Sequential(
                            torch.nn.Conv2d(3, 5, 3, padding=1),
                            torch.nn.ReLU(),
                            torch.nn.Conv2d(5, 10, 3, padding=